論文の概要: Flow-CDNet: A Novel Network for Detecting Both Slow and Fast Changes in Bitemporal Images

• arxiv url: http://arxiv.org/abs/2507.02307v1
• Date: Thu, 03 Jul 2025 04:27:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:15.590367
• Title: Flow-CDNet: A Novel Network for Detecting Both Slow and Fast Changes in Bitemporal Images
• Title（参考訳）: Flow-CDNet: バイテンポラル画像の低速変化と高速変化を検出する新しいネットワーク
• Authors: Haoxuan Li, Chenxu Wei, Haodong Wang, Xiaomeng Hu, Boyuan An, Lingyan Ran, Baosen Zhang, Jin Jin, Omirzhan Taukebayev, Amirkhan Temirbayev, Junrui Liu, Xiuwei Zhang,
• Abstract要約: 本稿では,光フロー分枝と二分枝分枝分枝の2枝分枝分枝分枝分枝分枝分枝分枝分枝分枝分枝分枝分枝分枝分枝分枝分枝分枝分枝分枝分枝分枝分枝分枝分枝分枝分枝分枝分枝分枝分枝分枝分枝分枝分 第1枝はピラミッド構造を利用して、複数のスケールで変位変化を抽出する。 2つ目は、ResNetベースのネットワークと光フローブランチの出力を組み合わせて、高速な変更出力を生成する。
• 参考スコア（独自算出の注目度）: 9.041003227237402
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Change detection typically involves identifying regions with changes between bitemporal images taken at the same location. Besides significant changes, slow changes in bitemporal images are also important in real-life scenarios. For instance, weak changes often serve as precursors to major hazards in scenarios like slopes, dams, and tailings ponds. Therefore, designing a change detection network that simultaneously detects slow and fast changes presents a novel challenge. In this paper, to address this challenge, we propose a change detection network named Flow-CDNet, consisting of two branches: optical flow branch and binary change detection branch. The first branch utilizes a pyramid structure to extract displacement changes at multiple scales. The second one combines a ResNet-based network with the optical flow branch's output to generate fast change outputs. Subsequently, to supervise and evaluate this new change detection framework, a self-built change detection dataset Flow-Change, a loss function combining binary tversky loss and L2 norm loss, along with a new evaluation metric called FEPE are designed. Quantitative experiments conducted on Flow-Change dataset demonstrated that our approach outperforms the existing methods. Furthermore, ablation experiments verified that the two branches can promote each other to enhance the detection performance.
• Abstract（参考訳）: 変化検出は通常、同じ場所で撮影されたバイテンポラル画像間の変化のある領域を識別する。 大幅な変化に加えて、実生活のシナリオでは、バイテンポラル画像の遅い変化も重要である。 例えば、弱い変化は斜面、ダム、尾池などのシナリオにおける大きな危険の前兆となることが多い。 したがって、遅い変化と速い変化を同時に検出する変更検出ネットワークを設計することは、新しい課題となる。 本稿では,この課題に対処するために,光フロー分岐とバイナリ変更検出分岐という2つの分岐からなるFlow-CDNetという変更検出ネットワークを提案する。 第1枝はピラミッド構造を利用して、複数のスケールで変位変化を抽出する。 2つ目は、ResNetベースのネットワークと光フローブランチの出力を組み合わせて、高速な変更出力を生成する。 その後、この新たな変更検出フレームワークを監督し、評価するために、自己構築された変更検出データセットFlow-Change、バイナリ・トレスキー損失とL2ノルム損失を組み合わせた損失関数、FEPEと呼ばれる新しい評価指標を設計した。 Flow-Changeデータセットを用いた定量的実験により,本手法が既存手法より優れていることが示された。 さらに, アブレーション実験により, 2つの分岐が互いに促進し, 検出性能が向上することが確認された。

関連論文リスト

• RemoteVAR: Autoregressive Visual Modeling for Remote Sensing Change Detection [52.32112533846212]
  リモートセンシングによる変化検出は、環境モニタリングや災害評価といった応用の中心である。 視覚的自己回帰モデルは最近、印象的な画像生成能力を示しているが、画素レベルの識別タスクへの採用は、制御性の弱さ、最適下層予測性能、露出バイアスによって制限されている。 本稿では,これらの制約に対処する新しいVARベースの変化検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-17T03:50:00Z)
• Referring Change Detection in Remote Sensing Imagery [49.841833753558575]
  本稿では、自然言語のプロンプトを利用してリモートセンシング画像の変化の特定のクラスを検出するReferring Change Detection (RCD)を紹介する。 我々は, (I) textbfRCDNet, (II) textbfRCDGen, (II) 拡散型合成データ生成パイプラインからなる2段階のフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-12T16:57:12Z)
• Morphing Through Time: Diffusion-Based Bridging of Temporal Gaps for Robust Alignment in Change Detection [51.56484100374058]
  既存の変更検出ネットワークを変更することなく空間的・時間的ロバスト性を改善するモジュールパイプラインを導入する。 拡散モジュールは、大きな外観ギャップをブリッジする中間変形フレームを合成し、RoMaは段階的に対応を推定できる。 LEVIR-CD、WHU-CD、DSIFN-CDの実験は、登録精度と下流変化検出の両方において一貫した利得を示した。
  論文  参考訳（メタデータ） (2025-11-11T08:40:28Z)
• Information-Bottleneck Driven Binary Neural Network for Change Detection [53.866667209237434]
  Binarized Change Detection (BiCD) は、変更検出用に設計された最初のバイナリニューラルネットワーク(BNN)である。 Information Bottleneck (IB) の原則に基づく補助的目的を導入し,本質的な入力情報を保持するようにエンコーダを誘導する。 BiCDは、BNNベースの変更検出のための新しいベンチマークを確立し、この領域で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-07-04T11:56:16Z)
• Multiresolution Analysis and Statistical Thresholding on Dynamic Networks [49.09073800467438]
  ANIE(Adaptive Network Intensity Estimation)は、ネットワーク構造が進化する時間スケールを自動的に識別する多段階フレームワークである。 ANIEは適切な時間分解能に適応し、ノイズに頑健でありながら鋭い構造変化を捉えることができることを示す。
  論文  参考訳（メタデータ） (2025-06-01T22:55:55Z)
• New Evidence of the Two-Phase Learning Dynamics of Neural Networks [59.55028392232715]
  時間ウィンドウ全体にわたってネットワーク状態を比較するインターバルワイズ・パースペクティブを導入する。 摂動に対するネットワークの応答はカオスから安定への移行を示す。 また、この遷移点の後に、モデルの関数軌道は狭い円錐形の部分集合に制限される。
  論文  参考訳（メタデータ） (2025-05-20T04:03:52Z)
• Detect Changes like Humans: Incorporating Semantic Priors for Improved Change Detection [52.62459671461816]
  本稿では,視覚基盤モデルからのセマンティックな先入観を取り入れ,変化を検出する能力の向上について検討する。 人間の視覚パラダイムにインスパイアされた新しいデュアルストリーム特徴デコーダは、意味認識特徴と差認識特徴を組み合わせることで変化を区別するために導出される。
  論文  参考訳（メタデータ） (2024-12-22T08:27:15Z)
• Hierarchical Attention Diffusion Networks with Object Priors for Video Change Detection [0.0]
  本稿では,インスタンスレベルのマスキング,デノナイズ拡散モデル内のマルチスケールアテンション,ピクセル単位のセマンティック分類を組み合わせた一元的変更検出パイプラインを提案する。 従来の違い、シームズCNN、GANベースの検出器をF1とIoUで10-25ポイント上回っている。
  論文  参考訳（メタデータ） (2024-08-20T07:54:08Z)
• Changen2: Multi-Temporal Remote Sensing Generative Change Foundation Model [62.337749660637755]
  安価で自動的な生成モデルに基づく変更データ生成器を提案する。 Changen2は、自己監督を通じて大規模にトレーニング可能な、生成的な変更基盤モデルである。 得られたモデルには、固有のゼロショット変化検出機能と優れた転送性がある。
  論文  参考訳（メタデータ） (2024-06-26T01:03:39Z)
• ELGC-Net: Efficient Local-Global Context Aggregation for Remote Sensing Change Detection [65.59969454655996]
  本稿では,変化領域を正確に推定するために,リッチな文脈情報を利用する効率的な変化検出フレームワークELGC-Netを提案する。 提案するELGC-Netは、リモートセンシング変更検出ベンチマークにおいて、最先端の性能を新たに設定する。 また,ELGC-Net-LWも導入した。
  論文  参考訳（メタデータ） (2024-03-26T17:46:25Z)
• Segment Any Change [64.23961453159454]
  本稿では、ゼロショット予測と、見えない変更タイプやデータ分布の一般化をサポートする新しいタイプの変更検出モデルを提案する。 AnyChangeは、トレーニング不要適応法、バイテンポラルラテントマッチングを通じてSAM(Se segment Any Model)上に構築されます。 また、AnyChangeのゼロショットオブジェクト中心の変更検出機能を有効にするためのポイントクエリ機構を提案する。
  論文  参考訳（メタデータ） (2024-02-02T07:17:39Z)
• Explicit Change Relation Learning for Change Detection in VHR Remote Sensing Images [12.228675703851733]
  変更関係の特徴を明示的にマイニングするためのネットワークアーキテクチャNAMEを提案する。 変更検出の変更特徴は、事前変更画像特徴、後変更画像特徴、変更関係特徴に分けられる。 我々のネットワークは、F1、IoU、OAの点で、変更検出のための既存の先進的なネットワークよりも優れています。
  論文  参考訳（メタデータ） (2023-11-14T08:47:38Z)
• dual unet:a novel siamese network for change detection with cascade differential fusion [4.651756476458979]
  本稿では,変化検出タスク,すなわちDual-UNetのための新しいSiameseニューラルネットワークを提案する。 従来のバイテンポラル画像の符号化とは対照的に,画素の空間的差分関係に着目したエンコーダ差分アテンションモジュールを設計する。 実験により、提案手法は、一般的な季節変化検出データセットにおいて、常に最も高度な手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-12T14:24:09Z)
• Bi-Temporal Semantic Reasoning for the Semantic Change Detection of HR Remote Sensing Images [17.53683781109742]
  意味変化検出(SCD)のための新しいCNNアーキテクチャを提案する。 このアーキテクチャについて詳述し、両時間的意味的相関をモデル化する。 Bi-SRNet(Bi-temporal Semantic Reasoning Network)は2種類の意味的推論ブロックを含んでおり、時間的および時間的両方の意味的相関を推論する。
  論文  参考訳（メタデータ） (2021-08-13T07:28:09Z)
• From W-Net to CDGAN: Bi-temporal Change Detection via Deep Learning Techniques [43.58400031452662]
  W-Netと呼ばれるエンドツーエンドのデュアルブランチアーキテクチャを提案し、各ブランチは2つのバイテンポラルイメージのうちの1つを入力として取り込む。 また、最近人気になったGAN(Generative Adversarial Network)を応用し、当社のW-Netがジェネレータとして機能している。 ネットワークをトレーニングし,今後の研究を促進するために,Google Earthから画像を収集して大規模なデータセットを構築する。
  論文  参考訳（メタデータ） (2020-03-14T09:24:08Z)
• DASNet: Dual attentive fully convolutional siamese networks for change detection of high resolution satellite images [17.839181739760676]
  研究の目的は、関心の変化情報を識別し、無関係な変更情報を干渉要因としてフィルタリングすることである。 近年、ディープラーニングの台頭により、変化検出のための新しいツールが提供され、目覚ましい結果が得られた。 我々は,高解像度画像における変化検出のための新しい手法,すなわち,二重注意型完全畳み込みシームズネットワーク(DASNet)を提案する。
  論文  参考訳（メタデータ） (2020-03-07T16:57:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。